当前，生成式人工智能已引爆新一轮智能革命的发展浪潮，大算力支撑下的人工智能技术正在改变着人类的生产生活方式，而随之而来的是海量的算力需求，如何解决庞大的算力缺口，实现能效比的大幅提升，正在变得日益迫切。
近期，清华大学吴华强教授、高滨副教授基于存算一体计算范式，在支持片上学习的忆阻器存算一体芯片领域取得重大突破，研究成果发表以“面向边缘学习的全集成类脑忆阻器芯片”(Edge Learning Using a Fully Integrated Neuro-Inspired Memristor Chip)为题在线发表在权威学术期刊《科学》(Science)上。
忆阻器存算一体芯片及测试系统
据介绍，记忆电阻器(Memristor)，是继电阻、电容、电感之后的第四种电路基本元件。它可以在断电之后，仍能“记忆”通过的电荷，被当作新型纳米电子突触器件。
忆阻器存算一体技术从底层器件、电路架构和计算理论全面颠覆了冯·诺依曼传统计算架构，可实现算力和能效的跨越式提升，同时，该技术还可利用底层器件的学习特性，支持实时片上学习，赋能基于本地学习的边缘训练新场景。
然而实现全系统集成的、支持高效片上学习的忆阻器芯片仍面临较大挑战，之所以至今还未实现，主要在于传统的反向传播训练算法所要求的高精度权重更新方式与忆阻器实际特性的适配性较差。
为解决上述挑战，该研究团队基于存算一体计算范式，创造性提出适配忆阻器存算一体实现高效片上学习的新型通用算法和架构(STELLAR)，有效实现大规模模拟型忆阻器阵列与CMOS的单片三维集成，通过算法、架构、集成方式的全流程协同创新，研制出全球首颗全系统集成的、支持高效片上学习的忆阻器存算一体芯片。
基于忆阻器存算一体实现高效片上学习的通用算法和架构
据悉，该芯片包含支持完整片上学习所必需的全部电路模块，成功完成图像分类、语音识别和控制任务等多种片上增量学习功能验证，展示出高适应性、高能效、高通用性、高准确率等特点。
同时，该芯片极具能效方面的优势，相同任务下，该芯片实现片上学习的能耗仅为先进工艺下专用集成电路(ASIC)系统的3%，为突破冯·诺依曼传统计算架构下的能效瓶颈提供了一种新的发展路径
最前沿的电子设计资讯
